利用根表型分析解決方案-深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)地標(biāo)的快速檢測(cè)與分組

圖像分割通常用于估計(jì)植物及其外部結(jié)構(gòu)的位置和形狀。然而，基于分割的方法存在著繁瑣的標(biāo)注和容易出錯(cuò)的問(wèn)題。本文介紹一種無(wú)分割的方法，利用深度學(xué)習(xí)技術(shù)進(jìn)行地標(biāo)檢測(cè)和分組，通過(guò)使用一款最初用于動(dòng)物運(yùn)動(dòng)捕捉的工具——SLEAP，自動(dòng)檢測(cè)植物根系上的顯著形態(tài)地標(biāo)，并在多個(gè)物種上使用凝膠圓柱成像系統(tǒng)；這種方法能夠以高準(zhǔn)確度、少量標(biāo)注樣本和更快的速度可靠地恢復(fù)根系拓?fù)浣Y(jié)構(gòu)。為了利用這種基于地標(biāo)的表示進(jìn)行根型分析，美國(guó)索爾克生物研究所的Elizabeth M. Berrigan開(kāi)發(fā)了一個(gè)Python庫(kù)（sleap-roots），用于直接提取與現(xiàn)有基于分割的分析軟件可比的特征。sleap-roots不僅提高了姿態(tài)衍生根系特征的準(zhǔn)確性，還可用于常見(jiàn)的下游任務(wù)，包括基因型分類(lèi)和無(wú)監(jiān)督特征映射。
 

2024年4月，Plant Phenomics在線發(fā)表了美國(guó)索爾克生物研究所題為 Fast and Efficient Root Phenotyping via Pose Estimation 的研究論文。
 

圖1 展示了植物根系姿態(tài)估計(jì)和下游RSA 性狀提取的流程圖。首先，植物在3D受控環(huán)境中使用透明塑料圓柱形容器進(jìn)行栽培，每種植物拍攝了72張圖像，步長(zhǎng)為5°，以全方位觀察根系在透明介質(zhì)中的情況。隨后，這些圖像被壓縮成HDF5文件（如圖1（a）所示）。接下來(lái)，在SLEAP中導(dǎo)入和標(biāo)注視頻，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)（NN）以進(jìn)行根姿態(tài)估計(jì)，然后用戶對(duì)NN的預(yù)測(cè)標(biāo)簽進(jìn)行細(xì)化（如圖1（b）所示）。最后，從經(jīng)過(guò)校準(zhǔn)的預(yù)測(cè)中提取根系性狀，以增強(qiáng)機(jī)器學(xué)習(xí)分析，實(shí)現(xiàn)對(duì)植物性狀的全面量化。
 

圖1使用 SLEAP 的高通量表型分析管道概述。

為了評(píng)估通過(guò)SLEAP訓(xùn)練的姿態(tài)估計(jì)模型的準(zhǔn)確性，本文與RootPainter進(jìn)行了比較，使用定位誤差作為模型準(zhǔn)確性的一個(gè)評(píng)估指標(biāo)。定位誤差是根據(jù)預(yù)測(cè)地標(biāo)與地面實(shí)況人類(lèi)注釋地標(biāo)之間的歐幾里得距離計(jì)算的。該指標(biāo)反映了模型在準(zhǔn)確預(yù)測(cè)二維圖像中形態(tài)特征位置方面的性能。
 

圖2SLEAP模型精確定位了四個(gè)物種和三類(lèi)根的根系標(biāo)志。（A）主根、（B）側(cè)根和（C）冠根精度和預(yù)測(cè)顯示。

研究結(jié)果顯示，通過(guò)SLEAP訓(xùn)練的姿態(tài)估計(jì)模型能夠準(zhǔn)確地定位跨物種的根系標(biāo)志，并提供高度準(zhǔn)確的形態(tài)地標(biāo)位置和分組。同時(shí)，該模型預(yù)測(cè)的根系標(biāo)志可用于精確提取表型性狀。與手動(dòng)注釋相比，模型預(yù)測(cè)的性狀表現(xiàn)出高度相關(guān)性，其回歸系數(shù)接近1，表現(xiàn)優(yōu)秀。

代碼、數(shù)據(jù)及模型獲�。�

https://github.com/talmolab/sleap-roots

https://osf.io/k7j9g/

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0175‍

——推薦閱讀——

The State of the Art in Root System Architecture Image Analysis Using Artificial Intelligence: A Review

https://doi.org/10.34133/plantphenomics.0178

Plant Phenomics 綜述 | 利用人工智能進(jìn)行根系結(jié)構(gòu)成像分析的最新進(jìn)展

Plant Phenomics | 根系表型文章合集

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開(kāi)展作者分享會(huì)、專(zhuān)刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開(kāi)放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄�？祁Ｎò睯CR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類(lèi)一區(qū)。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說(shuō)明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
特邀作者：靳松（南京農(nóng)業(yè)大學(xué)）
排版：趙倩瑩（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平